SVM – Support Vector Machines Metoda wektorów nośnych

SVM – Support Vector MachinesMetoda wektorów nośnych

JERZY STEFANOWSKIInstitute of Computing Sciences,

Poznań University of Technology

UM – slajdy dodatkowe do wykładu

Plan wykładu

1. Liniowa separowalność w statystycznej klasyfikacji

2. Podstawy metody SVM3. Uogólnienie SVM (nie w pełni separowalne

liniowo)4. Funkcje jądrowe (kernal functions)5. SVM dla danych separowalnych nieliniowo6. Podsumowanie7. Gdzie szukać więcej

Formalizacja problemu klasyfikacji• W przestrzeni danych (ang. measurement space) Ω znajdują

się wektory danych x stanowiące próbkę uczącą D, należące do dwóch klas

• Szukamy klasyfikatora pozwalającego na podział całej przestrzeni Ω na dwa rozłączne obszary odpowiadającej klasom 1,-1 oraz pozwalającego jak najlepiej klasyfikowaćnowe obiekty x do klas

• Podejście opiera się na znalezieniu tzw. granicy decyzyjnej między klasami → g(x)

( ) Niip

iii cRxcD 11,1,|, =−∈∈= x

Separowalność liniowa• Dwie klasy są liniowo separowalne, jeśli istnieje

hiperpłaszczyzna H postaci g(x)

• przyjmująca wartości

• Jak poszukiwać takiej hiperpłaszczyzny granicznej?

bg T += xwx)(

−∈<∈>

10)(10)(

ii

ii

gg

xxxx

Liniowa funkcja separująca

• Funkcja liniowa separująca

• Wyznacza podział przestrzeni na obszary odpowiadające dwóm klasom decyzyjnym.

• Oryginalna propozycja Fisher, ale także inne metody (perceptron, itp..)

• Uogólnienia dla wielu klas.

x

y

Support Vector Machines

• Znajdź liniową hiperpłaszczyznę (decision boundary) oddzielające obszary przykładów z dwóch różnych klas


• Jedno z możliwych rozwiązań


• Inne możliwe rozwiązanie


• Zbiór wielu możliwych rozwiązań


• Którą z hiperpłaszczyzn należy wybrać? B1 or B2?• Czy można to formalnie zdefiniować?

Uwagi o marginesie• Hiperpłaszczyzny bi1 i bi2

są otrzymane przez równoległe przesuwanie hiperpłaszczyznygranicznej aż do pierwszych punktów z obu klas.

• Odległość między nimi –margines klasyfikatora liniowego

• Jaki margines wybierać?

Węższe czy szersze marginesy?

Support Vectors

Small Margin Large Margin

• Szerszy margines → lepsze własności generalizacji, mniejsza podatność na ew. przeuczenie (overfitting)

• Wąski margines – mała zmiana granicy, radykalne zmiany klasyfikacji

Teoria „Structural risk minimization”• Oszacowanie górnej granicy błędu ze względu na błąd uczący

Re, liczbę przykładów N i tzw. model complexity h z prawdopodobieństwem 1-η „generalization error” nie przekroczy:

• Prace teoretyczne – h complexity dla modelu liniowego:• „Models with small margins have higher capacity -complexity

because they are more flexivle and can fit many training sets”• Także „The hypothesis space with minimal VC-dimension

according to SRM”• Reasumując modele o wiekszej complexity mają gorsze

oszacowanie błędu• Dlatego wybieraj większy margines!

))log(,(NN

hRR eηϕ+≤


• Znajdź hiperpłaszycznę, która maksymalizuje tzw. margines => B1 jest lepsze niż B2

Liniowe SVM hiperpłaszczyzna graniczna• Vapnik – poszukuj „maximal margin classifier”

gdzie w i b są parametrami modelu

• Parametry granicy wyznaczaj tak, aby maksymalne marginesy bi1 i bi2 były miejscem geometrycznym punktów x spełniających warunki

• Margines – odległość między płaszczyznami bi1 i bi2

0=+⋅ bxw

11

2

1

−=+⋅=+⋅

bxwbxw

i

i

bb

<+⋅−>+⋅

=0101

bxwbxw

y

Poszukiwanie parametrów hiperpłaszczyzny

0=+• bxw rr

1−=+• bxw rr 1+=+• bxw rr

−≤+•−≥+•

=1bxw if1

1bxw if1)( rr

rrrxf

Ilustracje i sposób przekształceń

||||2w

margin =

||||2w

margin =

pww ++≡ ...|||| 212w

Cel: Maksymalizujmargines!

w2

maximize

2w

minimize

→ 2

2w

minimize

→

Linear Support Vector Machines• Sformułowanie mat. problemu:

• Przy warunkach ograniczających

• Jest to problem optymalizacji kwadratowej z liniowymi ogr. → uogólnione zadanie optymalizacji rozwiązywany metodą mnożników Lagrange’a (tak aby np. nie dojść do w → 0)

2|||| 2

minw

w=

Nibxwy ii ,,2,11)( K=≥+⋅

LSVM• Minimalizuj funkcję Lagrange’a

• parametry α ≥0 mnożniki Lagrange’a

• Powinno się różniczkować L po w i b – nadal trudności w rozwiązaniu

• Przy przekształceniach wykorzystuje się ograniczenia Karush-Kuhn-Tucker na mnożniki:

• W konsekwencji αi są niezerowe wyłącznie dla wektorów nośnych x, pozostałe są zerowe

• Rozwiązanie parametrów w i b zależy wyłącznie od wektorów nośnych.

∑ = −+−= Ni iii bybwL 1

2 )1)((21),,( wxw αα

0]1)([0

=−+⋅≥bxwy iii

i

αα

LSVM – sformułowanie dualne• Nadal zbyt wiele parametrów w,b,α do oszacowania• Przechodzi się na postać dualną zadania optymalizacji

• Maksymalizuj L(α)

• Przy ograniczeniach

• Rozwiązanie (α>0 dla i∈SV) ; b – odpowiednio uśredniane

• Hiperpłaszczyzna decyzyjna

( )jijiN

i

N

jji

N

ii yy xx ⋅∑ ∑∑

= ==−

1 1121 ααα

ii ∀≥ ,0α 01 =∑ =Ni ii yα

∑=

=N

iiii y

1xw α

∑=

=+⋅N

iiii by

10xxα

Rozwiązanie LSVM• Klasyfikacja – funkcja decyzyjna

• O ostatecznej postaci hiperpłaszczyzny decydują wyłącznie wektory nośne (αi >0)

• Im większa wartość αi tym większy wpływ wektora na granicędecyzyjną

• Klasyfikacja zależy od iloczynu skalarnego nowego x z wektorami nośnymi xi ze zbioru uczącego

• Pewne założenie metody – starać się zbudować klasyfikator liniowy używając możliwie minimalną liczbę wektorów z danych treningowych (wektory nośne)

• Funkcjonalnie klasyfikator podobny do niektórych siecineuronowej, metod jądrowych Parzena

∑=

+⋅=N

iiii bysignxf

1)()( xxα

Przykład

Obliczmy wagi∑ −=⋅−⋅+⋅⋅== i iii xyw 64.64871.0)1(5621.653858.015621.6511 α

∑ −=⋅−⋅+⋅⋅== i iii xyw 32.9611.0)1(5621.654687.015621.6522 α

930.7)4687.0)(32.9(3858.0)64.6(1' =−−⋅−−=b

928.7)611.0)(32.9(4871.0)64.6(1'' =−−⋅−−−=b

93.7)(5.0 ''' =+⋅= bbb

Support Vector Machines• Co robić z LSVM gdy dane nie są w pełni liniowo

separowalne?

Jak użyć SVM dla dane liniowo nieseparowalnych

Zmienne dopełniające

Zmienne osłabiające - interpretacja

• Zmienne ξi≥0 dobiera się dla każdego przykładu uczącego. Jej wartość zmniejsza margines separacji. (rodzaj „zwisu” punktu poza hiperpłaszczyzną nośną)

• Jeżeli 0≤ ξi ≤1, to punkt danych (xi,di) leży wewnątrz strefy separacji, ale po właściwej stronie

• Jeżeli ξi>1, punkt po niewłaściwej stronie hiperpłaszczyzny i wystąpi błąd klasyfikacji

• Modyfikacja wymagań dla wektorów nośnych

ςξ

+−=+⋅−=+⋅

11

2

1

bxwbxw

i

i

bb

Linear SVM – niepełna separowalność

wFor all

For

...for some positive ξ

12211 +≥+ ∗∗ bxwxw

ξ−+≥+ ∗∗ 12211 bxwxw

Task: Maximize the margin and minimise training errors

minimize

∑+ →i

iC )(22

22

ξww SEMOCEB

minimize

x2

x1

SVM z dodatkowymi zmiennymi• Jak przedefiniować sformułowanie? Z dodatkowymi

zmiennymi dopełniającym oraz kosztem błędu na danych uczących

• Mimimalizuj wyrażenie:

• z ograniczeniami:

•

• Drugi czynnik odpowiada za ew. błędy testowania (górne oszacowanie tych błędów

• Parametr C ocena straty związanej z każdym błędnie klasyfikowanym punktem dla które ξ>0

• Przetarg „szeroki margines” to dużo błędów i odwrotnie

+−≤+•−≥+•

=ii

ii

1bxw if1-1bxw if1

)(ξ

ξrr

rrrixf

+= ∑

=

N

i

kiCwwL

1

2

2||||)( ξ

r

Rozwiązanie problemu

Ponownie dojdziemy do dualnego problemu:

Max: W(α) =

ogranicz:

(1)

(2)

= ==

− •∑∑∑ jiji

m

i

m

jji

m

ii yy xx

1 1121 ααα

iCi ∀≤≤ ,0 α

∑=

=m

iii y

10α

w

Programowanie kwadratowe (QP) : trudności rozwiazania →przeformułuj problem

Globalne max αi może być odnalezione

x2

x1

Nonlinear Support Vector Machines• Co zrobić gdy próby uczące powinny być

nieliniowo separowalne?

Nonlinear Support Vector Machines• Transformacja do wysoce wielowymiarowej przestrzeni

SVM – Transformacje• Przykład transformacji 1D→ 2D

• Projekcja danych oryginalnych x∈Rp w nową m>p wielowymiarową przestrzeń, w której z dużym prawdopodobieństwem będą separowalneliniowo (Twierdzenia matem. np. Covera)

• Przykład przekształcenia wielomianowe wyższego stopnia gdzie do zmiennych x dołącza się ich p-te potęgi oraz iloczyny mieszane.

-1 0 +1

+ +-

(1,0)(0,0)

(0,1) +

+-

Przykład transformacji wielomianowej

Przykład transformacji wielomianowej

• Oryginalna funkcja celu

• Transformacja

• Poszukujemy parametrów

• Rozwiązanie

−>−+−=

otherwisexxxxy

12.0)5.0()5.0(1),(

22

21

21

)1,2,2,,(),(: 2122

2121 xxxxxx →Φ

022 02112223

214 =++++ wxwxwxwxw

46.02221

21 −=−+− xxxx

Kilka definicji

• Przykłady danych do klasyfikacji

Model nieliniowy SVM• Funkcja decyzyjna po przekształceniu

• Zasady klasyfikacji

• Sformułowanie problemu nieliniowego SVM

• Podobnie jak poprzednio optymalizujemy funkcje z mnożnikami Lagrange’a

• Funkcja klasyfikująca

bg += )()( xwx ϕ

0)(10)(1

<−>+

xx

gg

2|||| 2

minw

w= Nibxwy ii ,,2,11))(( K=≥+Φ⋅

( ))()1 11

21 xx( jijiN

i

N

jji

N

ii yy ΦΦ∑ ∑∑

= ==− ααα

∑=

+Φ⋅Φ=N

iiii bysignxf

1))()(()( xxα

Curse of dimensionality and …• Oblicz Φ(xi)⋅Φ(xj)• Problem: Trudne obliczeniowo do wykonania! • Wiele parametrów do oszacowania - wielomian stopnia

p dla N atrybutów w oryginalnej przestrzeni prowadzi do atrybutów w nowej rozszerzonej F feature space

• Skorzystaj z dot product (iloczynu skalarnego) na wektorach wejściowych jako miary podobieństwa wektorów

• Iloczyn może być odniesiony do podobieństwa wektorów w transformowanej rozszerzonej przestrzeni

• Idea kerneli (funkcji jądrowych)• Proste funkcje K dwóch argumentów wektorowych

pozwalają obliczyć wartość iloczynu skalarnego w rozszerzonej przestrzeni

)( PNO

)()( ji xx Φ⋅Φji xx ⋅

Co to są funkcje jądrowe (Kernel function)• Wywodzą się z badań liniowych przestrzeni

wektorowych, przestrzeni Hilberta, Banacha

• Intuicyjnie są to stosunkowo proste symetryczne K(xi,xj) zależne od odległości między xi i xj które spełniają pewne wymagania matem.

∫ ∫ >==≥ 0)(,1)(,0)( 2 duuuKduuKuK Kσ

Wniosek z twierdzenia Mercera

• Własność podstawą tzw. triku kernelowego (kernel trick ) :• „... map the data into some other scalar product space (feature space)

F by means of a nonlinear mapping like the above, and perform thelinear algorithm (like decision boundary for 2 classes) in the featurespace F. In many cases the mapping Φ cannot be explicitly computed, due to the high-dimensionality of F. But this is not an obstacle, whenthe decision function requires the evaluation of scalar products Φ(x)⋅Φ(y), and not the pattern Φ(x) in explicit form.”[Camastra]

• „every dot product is replaced by a non-linear kernel function. „

Typowo stosowane jądraDopuszczalne typy jąder związane z SVM

sigmoidalne

Wielomianowe

Normalne (Gaussowskie)

2)(

exp),( 2σji

jiKxx

xx−

−=

pjiji dK )(),( +⋅= xxxx

)(),( δκ −⋅= jiji tghK xxxx

Przykład prostego przekształcenia wielomianowego

SVM: the kernel trick

The kernel trick:

( ) ( ))()(

,2,,2,)(),( 2221

21

2221

21

2

ji

jjjjiiiijiji xxxxxxxxK

xxxxxx

Φ⋅Φ=

== ••

( )jijiN

i

N

jji

N

ii Kyy xx ⋅

= ==− ∑ ∑∑

1 1121 αααOriginal optimization

function:

Nie musimy znać funkcji Ф, wystarczy znać jądro (kernel)i można pracować w nowej przestrzeni.

Funkcja decyzyjna• Wykorzystanie funkcji jądrowych

• Model klasyfikacji binarnej rozszerza się na zagadnienie wieloklasowe K > 2

• Specyficzne konstrukcje złożone:• one-versus-all• Pairwise classification (Hastie,…)

( )( )bKysign

bysignfNi iii

Ni iii

+

+ΦΦ=

∑∑

=

=

1

1

),()()()(

xxxxx

αα

Example 2: Cleveland heart dataLeft: 2D MDS features, linear SVM, C=1, acc. 81.9%

Right: support vectors removed, margin is clear.

Gaussian kernel, C=10000, 10xCV, 100% train, 79.3 ± 7.8 testGaussian kernel, C=1, 10xCV, 93.8% train, 82.6 ± 8.0 testAuto C=32 and Gaussian dispersion 0.004: about 84.4 ± 5.1 on test

Przykładowe zastosowaniaMożna się zapoznać z listą:

http://www.clopinet.com/isabelle/Projects/SVM/applist.htmlA few interesting applications, with highly competitive results:

• On-line Handwriting Recognition, zip codes• 3D object recognition• Stock forecasting• Intrusion Detection Systems (IDSs)• Image classification• Detecting Steganography in digital images• Medical applications: diagnostics, survival rates ...• Technical: Combustion Engine Knock Detection• Elementary Particle Identification in High Energy Physics• Bioinformatics: protein properties, genomics, microarrays• Information retrieval, text categorization

Trochę historii• Wczesne lata sześćdziesiąte – została

opracowana metoda “support vectors” w celu konstruowania hiperpłaszczyzn do rozpoznawania obrazu ( Vapnik i Lerner 1963, Vapnik i Czervonenkis 1964) – liniowa SVM.

• Początek lat 1990-siątych: uogólnienie metody pozwalające na konstruowanie nieliniowych funkcji separujących (Boser 1992, Cortes i Vapnik 1995).

• 1995: dalsze rozszerzenie pozwalające otrzymać estymację funkcji ciągłej na wyjściu – regresja (Vapnik 1995).

Kilka zagadn. efektywnego stosowania SVM

• Normalizuj sygnały wejściowe

• Dobrze wybierz wartość C

• Wybór funkcji jądrowej

• Uogólnienia dla problemów wieloklasowych

• … co jeszcze?

• Na ile są skuteczne SVM w analizie danych niezrównoważonych

Parę uwag podsumowujących• Dane odwzorowane (przy pomocy funkcji jądrowych) w

nową przestrzeń cech – silna przewaga nad innymi metodami

• W nowej przestrzeni dane powinny być liniowo separowalne

• W porównaniu do innych podejść wielowymiarowość przekształcenia jest „rozwiązana” przez trick kernelowy

• Pośrednio ogranicza się niebezpieczeństwo przeuczenia• Teoretycznie poszukują minimum globalnego a nie

lokalnego (jak podejścia heurystyczne – MLP)• Ograniczenia

• Dobór parametrów

• Skrajne podejście „black box”

Jianfeng Feng, Sussex University

Mocne strony SVM

Stopień skomplikowania/pojemność jest niezależna od liczby wymiarów.Bardzo dobra podbudowa statystyczno-teoretyczna

Znajdowanie minimum glonalnego. Minimalizujemy funkcję kwadratową co gwarantuje zawsze znalezienie minimum. Algorytm jest wydajny i SVM generuje prawie optymalny klasyfikator. Nie jest tez czuły na przetrenowanie.

Dobre uogólnianie dzięki wielowymiarowej “feature space”.

Najważniejsze: poprzez użycie odpowiedniej funkcji jądra SVM bardzo duża skuteczność w praktyce

Słabe strony SVMPowolny trening – minimalizacja funkcji, szczególnie dokuczliwy przy dużej ilości danych użytych do treningu.

Rozwiązania też są skomplikowane (normalnie >60% wektorów użytych do nauki staje się wektorami wspierającymi), szczególnie dla dużych ilości danych.

Przykład (Haykin): poprawa o 1.5% ponad wynik osiągnięty przez MLP. Ale MLP używał 2 ukrytych węzłów, a SVM 285 wektorów.

Trudno dodać własną wiedzę (prior knowledge)

Jianfeng Feng, Sussex University

Przetarg między złożonością modelu a minimalizacją błędów

Model complexity

Min. number of

training errors,

Functions ordered in

increasing complexity

complexity +min. training errors

Best trade-off

complexitymin. training errors

Odnośniki literaturowe• T.Hastie, R.Tibshirani, J.Friedman: The Elements

of Statistical Learning. Springer → poszukaj wersji elektronicznej pdf

• J.Koronacki, J.Ćwik: Statystyczne systemy uczące się (rozdz. 6)

• M.Krzyśko, W.Wołyński, T.Górecki,M.Skorzybut: Systemy uczące się.

• S.Osowski: Sieci neuronowe w przetwarzaniu informacji.

Inne materiały - internet• A.Bartkowiak: Wykłady nt. Sieci Neuronowych:

w11 Kernele, siecie SVM i sieci GDA.

• http://www.ii.uni.wroc.pl/~aba/

• W.Duch: wyklady nt. Computational Intelligence

• http://www.fizyka.umk.pl/~duch/Wyklady/NN_plan.html

• Angielska wersja Wikipedii

• Thorsten Joachims: Support Vector and KernelMethods - SIGIR 2003 Tutorial

SVM Related Links

• SVM Website

• http://www.kernel-machines.org/

• Representative implementations

• LIBSVM: an efficient implementation of SVM, multi-class

classifications, nu-SVM, one-class SVM, including also various

interfaces with java, python, etc.

• SVM-light: simpler but performance is not better than LIBSVM,

support only binary classification and only C language

• SVM-torch: another recent implementation also written in C.

Inne odnośniki do literatury anglojęzycznej

• “Statistical Learning Theory” by Vapnik: extremely hard to understand, containing many errors too.

• C. J. C. Burges. A Tutorial on Support Vector Machines for Pattern Recognition. Knowledge Discovery and Data Mining, 2(2), 1998.

• Better than the Vapnik’s book, but still written too hard for introduction, and the examples are so not-intuitive

• The book “An Introduction to Support Vector Machines” by N. Cristianini and J. Shawe-Taylor

• Also written hard for introduction, but the explanation about the mercer’s theorem is better than above literatures

• The neural network book by Haykins

• Contains one nice chapter of SVM introduction

Documents

SVM – Support Vector Machines Metoda wektorów nośnych